Você está aqui: Página Inicial curitiba Estrutura do Câmpus Diretorias Diretoria de Pesquisa e Pós-Graduação Mestrado e Doutorado CPGEI Edital de Defesas 2017 CPGEI (Doutorado): Neury Boaretto-27/04/17

CPGEI (Doutorado): Neury Boaretto-27/04/17

Defesa Pública de Doutorado do Programa de Pós-Graduação em Engenharia Elétrica e Informática Industrial
Quando 27/04/2017
das 09h00 até 13h00
Onde Sede Central: Sala C-301
Nome do Contato Profa. Tania Mezzadri Centeno
Participantes Profa. Tania Mezzadri Centeno, Dra. Orientadora - UTFPR
Banca examinadora:
Profa. Tania Mezzadri Centeno, Dra. Presidente - UTFPR
Prof. David Menotti Gomes, Dr. - UFPR
Prof. Julio Cesar Nievola, Dr. - PUCPR
Prof. Bogdan Tomoyuki Nassu, Dr. - UTFPR
Prof. Ricardo Dutra da Silva, Dr. - UTFPR
Adicionar evento ao calendário vCal
iCal

Classificação de defeitos de soldagem em imagens radiográficas PDVD de tubulações de petróleo: uma abordagem com ensemble de Extreme Learning Machines

Resumo: A inspeção de defeitos de soldagem em imagens radiográficas de tubulações é bastante subjetiva e está sujeita a erros de interpretação por parte do inspetor laudista. Dentro deste contexto, nos últimos anos tem-se visto um grande esforço no desenvolvimento de métodos automáticos e semiautomáticos de detecção de defeitos em juntas soldadas. Este trabalho apresenta um método automatizado para detecção e classificação de defeitos em imagens radiográficas de juntas soldadas de tubulações obtidas pela técnica de exposição radiográfica parede dupla vista dupla (PDVD), obtidas em reais situações de campo e que, geralmente, têm uma qualidade mais baixa do que as imagens usadas em outros estudos. O método proposto identifica na imagem a região do cordão de solda, detecta as descontinuidades e classifica as mesmas em defeitos e não defeitos, destacando na imagem o resultado. Na classificação das descontinuidades são comparados classificadores com redes neurais Multilayer Perceptron (MLP), redes neurais Extreme Learning Machines (ELM) e classificador estatístico Support Vector Machines (SVM). O método proposto para identificação da região de interesse atingiu 100% de precisão na segmentação do cordão de solda. O classificador SVM apresentou um desempenho ligeiramente melhor que os classificadores MLP e ELM, e que o tempo de treinamento do classificador ELM é aproximadamente 30 vezes mais rápido que os classificadores MLP e SVM. Com a utilização de ensembles de ELMs obteve-se um F-score de 87% para um banco de dados reduzido, e 85,7% para um banco de dados ampliado, resultados satisfatórios quando comparados com trabalhos semelhantes. O uso de ensembles de ELMs representa um ganho de apenas 0,7% no F-score em comparação com o melhor resultado da rede treinada individualmente, entretanto, com o uso de faixas de limiares de decisão do ensemble, o uso do método permite mostrar as descontinuidades que o ensemble não tem certeza, destacando na imagem estas descontinuidades como região de incerteza, deixando para o especialista a avaliação final destas descontinuidades. A imagem resultante da aplicação do método serve como auxílio ao especialista na elaboração dos laudos.
Palavras-chave: Imagens radiográficas. Ensaios não destrutivos. Classificação de descontinuidades. Extreme Learning Machines. Defeitos de soldagem.

Classification of welding defects in radiographic images DWDI of pipeline: an approach with ensemble of Extreme Learning Machines

Abstract: The inspection of radiographic images of welded joints is very subjective and is subject to errors of interpretation by the inspector. In this context, a great effort has been made in the last years to the development of automatic and semiautomatic methods of detecting defects in welded joints. This research work presents an automated method for the detection and classification of defects in radiographic images of welded joints of pipes obtained by exposure technique of double wall double image (DWDI), obtained in real field situations and which generally have a lower quality than the images used in other studies. The proposed method identifies the region of the weld bead, detects the discontinuities and classifies them in defects and non-defects, highlighting in the image the result. In the classification of the discontinuities, we compared classifiers with neural networks Multilayer Perceptron (MLP), neural networks Extreme Learning Machines (ELM) and statistical classifier Support Vector Machines (SVM). The proposed method for identification of the region of interest reached 100% precision in the segmentation of the weld bead. The SVM classifier achieved slightly better performance than the MLP and ELM classifiers and the training time of the ELM classifier was approximately 30 times faster than the MLP and SVM classifiers. Using ELMs ensembles, an F-score of 87% was obtained for a reduced database, and 85.7% for an expanded database, satisfactory results when compared to similar researches. The use of ensembles of ELMs represents a gain of only 0.7% in the F-score compared to the best result of the individually trained network, however, with the use of ensemble decision threshold ranges, the presented method allows to show the discontinuities which the ensemble is not sure, highlighting in the image these discontinuities as a region of uncertainty, leaving to the specialist the final evaluation of these discontinuities. The image resulting from the application of the method serves as an aid to the expert in the elaboration of the reports.
Keywords: Radiographic images. Non-Destructive Testing. Classification of Discontinuities. Extreme Learning Machines. Welding Defects.

Lista de publicações:

BOARETTO, Neury; CENTENO, Tania M. Automated detection of welding defects in pipelines from radiographic images DWDI. NDT&E International, 86, 7-13, 2017.

BOARETTO, Neury; CENTENO, Tania M.; MARINHO, Carla A. Classificação de Descontinuidades em Imagens Radiográficas de Juntas Soldadas de Tubulações com Redes Neurais. Conferência Ibero-Americana de Computação Aplicada - CIACA 2014, Porto, p. 204-208, 2014.

Ações do documento